Bagisto项目中ThemeDataGrid查询优化实践
2025-05-12 13:37:39作者:廉皓灿Ida
问题背景
在Bagisto电商平台项目中,当用户尝试删除特定主题的所有翻译记录时,发现该主题在数据网格(DataGrid)中不再显示。这是一个典型的查询优化问题,涉及到数据库表连接方式和查询逻辑的设计。
技术分析
原始查询的问题
原始查询使用了内连接(INNER JOIN)来关联theme_customizations和theme_customization_translations表。这种连接方式有一个重要特性:只有当连接条件满足时,才会返回记录。这意味着:
- 如果某个主题的所有翻译记录都被删除
- 那么
theme_customization_translations表中将没有对应记录 - 内连接会导致该主题不会出现在查询结果中
解决方案
将内连接改为左连接(LEFT JOIN)是解决这个问题的正确方式。左连接的特点是:
- 保留左表(
theme_customizations)中的所有记录 - 即使右表(
theme_customization_translations)中没有匹配记录 - 仍然会返回左表记录,右表字段值为NULL
优化后的查询
优化后的查询结构如下:
$queryBuilder = DB::table('theme_customizations')
->distinct()
->leftJoin('theme_customization_translations', function ($leftJoin) use ($whereInLocales) {
$leftJoin->on('theme_customizations.id', '=', 'theme_customization_translations.theme_customization_id')
->whereIn('theme_customization_translations.locale', $whereInLocales);
})
->join('channel_translations', function ($leftJoin) use ($whereInLocales) {
$leftJoin->on('theme_customizations.channel_id', '=', 'channel_translations.channel_id')
->whereIn('channel_translations.locale', $whereInLocales);
})
->select(
'theme_customizations.id',
'theme_customizations.type',
'theme_customizations.sort_order',
'channel_translations.name as channel_name',
'theme_customizations.status',
'theme_customizations.name as name',
'theme_customizations.theme_code',
'theme_customizations.channel_id'
);
深入理解
表连接类型的选择
在数据库查询中,连接类型的选择直接影响查询结果:
- 内连接(INNER JOIN):只返回两表中匹配的记录
- 左连接(LEFT JOIN):返回左表所有记录,右表不匹配则为NULL
- 右连接(RIGHT JOIN):返回右表所有记录,左表不匹配则为NULL
- 全连接(FULL JOIN):返回两表所有记录,不匹配则为NULL
多语言表设计考量
在多语言系统中,翻译表通常与主表分开设计。这种设计需要考虑:
- 主表存储不依赖语言的通用信息
- 翻译表存储语言相关的字段
- 查询时需要合理连接这些表
性能影响
虽然左连接可以解决这个问题,但也需要考虑:
- 左连接通常比内连接性能稍差
- 需要确保查询条件优化得当
- 对于大数据量表,可能需要额外索引
最佳实践建议
- 明确业务需求:首先确定是否真的需要显示无翻译记录的主题
- 合理使用连接:根据业务逻辑选择适当的连接类型
- 测试覆盖:确保测试用例覆盖各种翻译状态(有翻译、无翻译、部分翻译)
- 性能监控:对修改后的查询进行性能监控
- 文档记录:在代码注释中说明连接选择的原因
总结
在Bagisto项目中,通过将主题数据网格查询从内连接改为左连接,解决了删除所有翻译后主题不显示的问题。这个案例展示了在数据库查询设计中,连接类型选择对业务逻辑实现的重要性。开发者在处理类似的多语言系统查询时,应当仔细考虑各种连接类型的特性和适用场景,以确保系统行为符合业务预期。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137